AI Canon | Andreessen Horowitz

AI Canon

Исследования в области искусственного интеллекта растут экспоненциально. Экспертам по ИИ трудно успевать за всем новым, что публикуется, а новичкам ещё труднее понять, с чего начать.

Поэтому в этом посте мы делимся кураторской подборкой ресурсов, на которые опирались, чтобы лучше разобраться в современном ИИ. Мы называем её «AI Canon», потому что эти статьи, блог-посты, курсы и руководства оказали несоразмерно большое влияние на область за последние несколько лет.

Мы начинаем с мягкого введения в модели трансформеров и латентной диффузии, которые питают нынешнюю волну ИИ. Далее мы углубляемся в технические учебные ресурсы; практические руководства по созданию решений на основе больших языковых моделей (LLM); и анализ рынка ИИ. Наконец, мы приводим справочный список знаковых исследовательских результатов, начиная с «Attention is All You Need» — статьи Google 2017 года, которая познакомила мир с моделями-трансформерами и открыла эпоху генеративного ИИ.

Мягкое введение…

Эти статьи не требуют специальной подготовки и помогут быстро войти в курс самых важных частей современной волны ИИ.

Software 2.0: Andrej Karpathy одним из первых чётко объяснил (ещё в 2017 году!), почему новая волна ИИ действительно важна. Его тезис в том, что ИИ — это новый и мощный способ программировать компьютеры. По мере стремительного улучшения LLM этот тезис оказался прозорливым и даёт хорошую ментальную модель того, как может развиваться рынок ИИ. State of GPT: Тоже от Karpathy — очень доступное объяснение того, как в целом работают ChatGPT / GPT-модели, как ими пользоваться и в каких направлениях может двигаться R&D. What is ChatGPT doing … and why does it work?: Учёный-информатик и предприниматель Stephen Wolfram даёт длинное, но очень читабельное объяснение с первых принципов того, как работают современные модели ИИ. Он прослеживает путь от ранних нейросетей до сегодняшних LLM и ChatGPT. Transformers, explained: Этот пост Dale Markowitz — более короткий и прямой ответ на вопрос «что такое LLM и как она работает?». Отличный способ мягко войти в тему и развить интуицию относительно технологии. Он написан про GPT-3, но всё ещё применим к более новым моделям. How Stable Diffusion works: Это аналог предыдущего поста для компьютерного зрения. Chris McCormick даёт объяснение для неспециалистов о том, как работает Stable Diffusion, и развивает интуицию относительно моделей text-to-image в целом. Для ещё более мягкого введения посмотрите этот комикс из r/StableDiffusion.

Фундаментальное обучение: нейросети, backpropagation и эмбеддинги

Эти ресурсы дают базовое понимание фундаментальных идей машинного обучения и ИИ — от основ глубокого обучения до университетских курсов от экспертов по ИИ.

Объяснения

Deep learning in a nutshell: core concepts: Серия из четырёх частей от Nvidia, которая разбирает основы глубокого обучения в том виде, как его практиковали в 2015 году, — хороший ресурс для всех, кто только начинает изучать ИИ. Practical deep learning for coders: Полный бесплатный курс по основам ИИ, объяснённым на практических примерах и коде. Word2vec explained: Простое введение в эмбеддинги и токены — строительные блоки LLM (и всех языковых моделей). Yes you should understand backprop: Более глубокий пост про обратное распространение (back-propagation), если вы хотите разобраться в деталях. Если хочется ещё больше, попробуйте лекцию Stanford CS231n на Youtube.

Курсы

Stanford CS229: «Введение в машинное обучение» с Andrew Ng, охватывающее основы машинного обучения. Stanford CS224N: «NLP с глубоким обучением» с Chris Manning, охватывающее основы NLP вплоть до первого поколения LLM.

Технический разбор: как понять трансформеры и большие модели

Существует бесчисленное множество ресурсов — одни лучше, другие хуже, — пытающихся объяснить, как работают LLM. Вот некоторые из наших любимых, рассчитанные на самую разную аудиторию читателей и зрителей.

Объяснения

The illustrated transformer: Более технический обзор архитектуры трансформера от Jay Alammar. The annotated transformer: Подробный пост, если вы хотите понять трансформеры на уровне исходного кода. Требует некоторого знания PyTorch. Let’s build GPT: from scratch, in code, spelled out: Для инженеров: Karpathy в видео пошагово показывает, как построить GPT-модель. The illustrated Stable Diffusion: Введение в латентные диффузионные модели — самый распространённый тип генеративных ИИ-моделей для изображений. RLHF: Reinforcement Learning from Human Feedback: Chip Huyen объясняет RLHF, который позволяет заставить LLM вести себя более предсказуемо и дружелюбно к человеку. Это один из самых важных, но наименее понятых аспектов таких систем, как ChatGPT. Reinforcement learning from human feedback: Учёный-информатик и сооснователь OpenAI John Shulman глубже раскрывает тему в этом отличном докладе о текущем состоянии, прогрессе и ограничениях LLM с RLHF.

Курсы

Stanford CS25: Transformers United — онлайн-семинар по трансформерам. Stanford CS324: «Большие языковые модели» с Percy Liang, Tatsu Hashimoto и Chris Re, охватывающий широкий круг технических и нетехнических аспектов LLM.

Справочники и комментарии

Predictive learning, NIPS 2016: В этом раннем докладе Yann LeCun убедительно аргументирует, что обучение без учителя — критически важный элемент архитектур ИИ-моделей при масштабировании. Перемотайте на 19:20, чтобы услышать знаменитую аналогию с тортом, которая до сих пор остаётся одной из лучших ментальных моделей современного ИИ. AI for full-self driving at Tesla: Ещё один классический доклад Karpathy, на этот раз о движке сбора данных Tesla. Начиная с 8:35 идёт одна из величайших тирад об ИИ всех времён, объясняющая, почему задачи с «длинным хвостом» (в данном случае распознавание знаков STOP) так сложны. The scaling hypothesis: Один из самых удивительных аспектов LLM состоит в том, что масштабирование — добавление данных и вычислительных мощностей — просто продолжает повышать точность. GPT-3 был первой моделью, наглядно это продемонстрировавшей, и пост Gwern отлично объясняет стоящую за этим интуицию. Chinchilla’s wild implications: Формально это разбор важной статьи Chinchilla (см. ниже), но пост добирается до сути главного вопроса масштабирования LLM: не заканчиваются ли у нас данные? Он развивает предыдущий пост и даёт обновлённый взгляд на законы масштабирования. A survey of large language models: Исчерпывающий разбор современных LLM, включая хронологию развития, размер, стратегии обучения, обучающие данные, аппаратное обеспечение и многое другое. Sparks of artificial general intelligence: Early experiments with GPT-4: Ранний анализ от Microsoft Research возможностей GPT-4 — на данный момент самой продвинутой LLM — в сравнении с человеческим интеллектом. The AI revolution: How Auto-GPT unleashes a new era of automation and creativity: Введение в Auto-GPT и ИИ-агентов в целом. Технология совсем ранняя, но её важно понимать: она использует доступ в интернет и самостоятельно генерируемые подзадачи, чтобы решать конкретные сложные проблемы или цели. The Waluigi Effect: Формально объяснение «эффекта Waluigi» (то есть почему в поведении LLM возникают «альтер-эго»), но интересно в первую очередь глубоким погружением в теорию промптинга LLM.

Практические руководства по созданию решений на LLM

Формируется новый стек приложений с LLM в основе. Хотя формального обучения по этой теме пока немного, мы отобрали некоторые из самых полезных ресурсов, которые нам попались.

Справочники

Build a GitHub support bot with GPT3, LangChain, and Python: Одно из самых ранних публичных объяснений современного стека LLM-приложений. Часть советов здесь устарела, но во многом именно он запустил широкое распространение и экспериментирование с новыми ИИ-приложениями. Building LLM applications for production: Chip Huyen обсуждает многие ключевые сложности при создании LLM-приложений, как с ними справляться и какие типы сценариев наиболее осмысленны. Prompt Engineering Guide: Для всех, кто пишет промпты для LLM (включая разработчиков приложений), это самое исчерпывающее руководство с конкретными примерами для нескольких популярных моделей. Для более лёгкого и разговорного изложения попробуйте руководство по промпт-инжинирингу от Brex. Prompt injection: What’s the worst that can happen? Prompt injection — потенциально серьёзная уязвимость безопасности, подстерегающая LLM-приложения, для которой пока нет идеального решения. Simon Willison даёт исчерпывающее описание проблемы в этом посте. Почти всё, что Simon пишет про ИИ, выдающееся. OpenAI cookbook: Для разработчиков это эталонная коллекция руководств и примеров кода для работы с OpenAI API. Она постоянно обновляется новыми примерами кода. Pinecone learning center: Многие LLM-приложения построены вокруг парадигмы векторного поиска. Учебный центр Pinecone — несмотря на то, что это брендированный вендорский контент — предлагает одни из самых полезных инструкций по созданию приложений в этом паттерне. LangChain docs: Как стандартный слой оркестрации для LLM-приложений, LangChain связывается практически со всеми остальными частями стека. Поэтому их документация — настоящий справочник по всему стеку и тому, как его части сочетаются.

Курсы

LLM Bootcamp: Практический курс по созданию приложений на основе LLM с Charles Frye, Sergey Karayev и Josh Tobin. Hugging Face Transformers: Руководство по использованию open-source LLM в библиотеке Hugging Face transformers.

Бенчмарки LLM

Chatbot Arena: Рейтинговая система популярных LLM в стиле Elo, которую ведёт команда из UC Berkeley. Пользователи также могут участвовать, сравнивая модели напрямую друг с другом. Open LLM Leaderboard: Рейтинг от Hugging Face, сравнивающий open source LLM по набору стандартных бенчмарков и задач.

Анализ рынка

Мы все восхищались тем, что способен создавать генеративный ИИ, но остаётся ещё много вопросов о том, что всё это значит. Какие продукты и компании выживут и преуспеют? Что будет с художниками? Как компаниям это использовать? Как это повлияет на рабочие места и общество в целом? Вот несколько попыток ответить на эти вопросы.

Взгляд a16z

Who owns the generative AI platform?: Наша флагманская оценка того, где накапливается и может накапливаться ценность на уровнях инфраструктуры, моделей и приложений генеративного ИИ. Navigating the high cost of AI compute: Подробный разбор того, почему модели генеративного ИИ требуют так много вычислительных ресурсов и как подходить к их приобретению (то есть нужные GPU в нужном количестве и по нужной цене) на рынке с высоким спросом. Art isn’t dead, it’s just machine-generated: Взгляд на то, как модели ИИ смогли переформатировать творческие сферы — которые часто считали последним рубежом против автоматизации — гораздо быстрее, чем такие области, как разработка ПО. The generative AI revolution in games: Глубокий анализ от нашей команды Games о том, как возможность легко создавать высокодетализированную графику изменит работу гейм-дизайнеров, студий и всего рынка. Это продолжение от нашей команды Games рассматривает конкретно появление AI-генерируемого контента в сравнении с пользовательским контентом. For B2B generative AI apps, is less more?: Прогноз того, как LLM будут развиваться в мире B2B корпоративных приложений, вокруг идеи о том, что резюмирование информации в итоге окажется ценнее, чем генерация текста. Financial services will embrace generative AI faster than you think: Аргумент в пользу того, что индустрия финансовых услуг готова применять генеративный ИИ для персонализированного клиентского опыта, экономичных операций, лучшего комплаенса, улучшенного управления рисками, а также динамического прогнозирования и отчётности. Generative AI: The next consumer platform: Взгляд на возможности генеративного ИИ повлиять на потребительский рынок в самых разных секторах — от терапии до электронной коммерции. To make a real difference in health care, AI will need to learn like we do: ИИ готов необратимо изменить то, как мы стремимся предотвращать и лечить болезни. Однако чтобы по-настоящему преобразить всё — от разработки лекарств до оказания помощи, — нам стоит инвестировать в создание экосистемы «специализированных» ИИ, которые учатся так, как сегодня учатся наши лучшие врачи и разработчики лекарств. The new industrial revolution: Bio x AI: Следующая промышленная революция в истории человечества — это биология, движимая искусственным интеллектом.

Другие точки зрения

On the opportunities and risks of foundation models: Обзорная статья Stanford о фундаментальных моделях (Foundation Models). Длинная и с авторской позицией, но именно она закрепила термин. State of AI Report: Ежегодный обзор всего, что происходит в ИИ, включая технологические прорывы, развитие индустрии, политику/регулирование, экономические последствия, безопасность и прогнозы на будущее. GPTs are GPTs: An early look at the labor market impact potential of large language models: Эта статья исследователей из OpenAI, OpenResearch и Университета Пенсильвании прогнозирует, что «около 80% рабочей силы США могут столкнуться с тем, что как минимум 10% их рабочих задач будут затронуты внедрением LLM, тогда как примерно у 19% работников окажутся затронуты как минимум 50% задач». Deep medicine: How artificial intelligence can make healthcare human again: Доктор Eric Topol раскрывает, как искусственный интеллект способен освободить врачей от трудоёмких задач, мешающих человеческому контакту. Отношения врача и пациента восстанавливаются. (подкаст a16z)

Знаковые результаты исследований

Большинство потрясающих ИИ-продуктов, которые мы видим сегодня, — результат не менее потрясающих исследований, проведённых экспертами внутри крупных компаний и ведущих университетов. В последнее время мы также видим впечатляющую работу отдельных людей и open source сообщества, развивающих популярные проекты в новых направлениях — например, создавая автоматизированных агентов или перенося модели на более компактное оборудование.

Вот подборка многих из этих статей и проектов для тех, кто действительно хочет глубоко погрузиться в генеративный ИИ. (Для научных статей и проектов мы также добавили ссылки на сопутствующие блог-посты или сайты, где они есть, — они обычно объясняют вещи на более высоком уровне. И мы указали годы первоначальной публикации, чтобы вы могли отслеживать фундаментальные исследования во времени.)

Большие языковые модели

Новые модели

Attention is all you need (2017): Оригинальная работа по трансформерам и научная статья от Google Brain, с которой всё началось. (блог-пост) BERT: pre-training of deep bidirectional transformers for language understanding (2018): Одна из первых общедоступных LLM, многие варианты которой используются и сегодня. (блог-пост) Improving language understanding by generative pre-training (2018): Первая статья OpenAI, описывающая архитектуру GPT, которая стала доминирующим путём развития LLM. (блог-пост) Language models are few-shot learners (2020): Статья OpenAI, описывающая GPT-3 и архитектуру современных LLM, состоящую только из декодера (decoder-only). Training language models to follow instructions with human feedback (2022): Статья OpenAI, объясняющая InstructGPT, который использует человека в цикле обучения моделей, чтобы они лучше следовали инструкциям в промптах. Это был один из ключевых прорывов, сделавших LLM доступными для потребителей (например, через ChatGPT). (блог-пост) LaMDA: language models for dialog applications (2022): Модель от Google, специально созданная для свободного диалога между человеком и чат-ботом на самые разные темы. (блог-пост) PaLM: Scaling language modeling with pathways (2022): PaLM от Google использовала новую систему обучения LLM на тысячах чипов и продемонстрировала больший, чем ожидалось, прирост в некоторых задачах по мере увеличения размера модели. (блог-пост). См. также технический отчёт PaLM-2. OPT: Open Pre-trained Transformer language models (2022): OPT — одна из лучших по производительности полностью open source LLM. Релиз этой модели на 175 миллиардов параметров включает код и был обучен на общедоступных наборах данных. (блог-пост) Training compute-optimal large language models (2022): Статья Chinchilla. В ней доказывается, что большинство моделей ограничены данными, а не вычислениями, и она изменила консенсус относительно масштабирования LLM. (блог-пост) GPT-4 technical report (2023): Новейшая и важнейшая статья от OpenAI, известная главным образом тем, как мало она раскрывает! (блог-пост). System card для GPT-4 проливает некоторый свет на то, как OpenAI подходит к галлюцинациям, приватности, безопасности и другим вопросам. LLaMA: Open and efficient foundation language models (2023): Модель от Meta, которая (почти) начала революцию open-source LLM. Конкурентоспособна со многими лучшими закрытыми моделями, но открыта только исследователям по ограниченной лицензии. (блог-пост) Alpaca: A strong, replicable instruction-following model (2023): Эта модель из Stanford демонстрирует силу настройки на инструкциях (instruction tuning), особенно в небольших open-source моделях, по сравнению с чистым масштабом.

Улучшения моделей (например, fine-tuning, retrieval, attention)

Deep reinforcement learning from human preferences (2017): Исследование обучения с подкреплением в контексте игр и робототехники, которое оказалось фантастическим инструментом для LLM. Retrieval-augmented generation for knowledge-intensive NLP tasks (2020): Разработанный Facebook, RAG — один из двух основных исследовательских путей повышения точности LLM за счёт поиска информации (information retrieval). (блог-пост) Improving language models by retrieving from trillions of tokens (2021): RETRO (Retrieval Enhanced TRansfOrmers) — ещё один подход, на этот раз от DeepMind, к повышению точности LLM за счёт доступа к информации, не включённой в обучающие данные. (блог-пост) LoRA: Low-rank adaptation of large language models (2021): Это исследование Microsoft представило более эффективную альтернативу fine-tuning для обучения LLM на новых данных. Сейчас оно стало стандартом для community-настройки, особенно для моделей изображений. Constitutional AI (2022): Команда Anthropic вводит концепцию обучения с подкреплением на основе обратной связи от ИИ (RLAIF). Главная идея в том, что мы можем разработать безвредного ИИ-ассистента под наблюдением других ИИ. FlashAttention: Fast and memory-efficient exact attention with IO-awareness (2022): Это исследование Stanford открыло путь к тому, чтобы передовые модели понимали более длинные последовательности текста (и изображения с более высоким разрешением) без непомерных затрат времени и средств на обучение. (блог-пост) Hungry hungry hippos: Towards language modeling with state space models (2022): Снова от Stanford: эта статья описывает одну из ведущих альтернатив механизму внимания (attention) в языковом моделировании. Это перспективный путь к лучшему масштабированию и эффективности обучения. (блог-пост)

Модели генерации изображений

Learning transferable visual models from natural language supervision (2021): Статья, представляющая базовую модель CLIP, которая связывает текстовые описания с изображениями. Одно из первых эффективных крупномасштабных применений фундаментальных моделей в компьютерном зрении. (блог-пост) Zero-shot text-to-image generation (2021): Это статья, представившая DALL-E — модель, объединяющую упомянутые CLIP и GPT-3 для автоматической генерации изображений по текстовым промптам. Её преемник, DALL-E 2, запустил бум генеративного ИИ для изображений в 2022 году. (блог-пост) High-resolution image synthesis with latent diffusion models (2021): Статья, описавшая Stable Diffusion (после запуска и взрывного роста в open source). Photorealistic text-to-image diffusion models with deep language understanding (2022): Imagen — это попытка Google войти в генерацию изображений с помощью ИИ. Спустя более года после анонса модель так и не была выпущена публично на момент публикации этого материала. (сайт) DreamBooth: Fine tuning text-to-image diffusion models for subject-driven generation (2022): DreamBooth — система, разработанная в Google, для обучения моделей распознавать предоставленные пользователем объекты и применять их к контексту промпта (например, [USER] улыбается у Эйфелевой башни). (сайт) Adding conditional control to text-to-image diffusion models (2023): Эта статья из Stanford представляет ControlNet — ныне очень популярный инструмент для точного контроля над генерацией изображений с помощью латентных диффузионных моделей.

Агенты

A path towards autonomous machine intelligence (2022): Предложение от руководителя Meta AI и профессора NYU Yann LeCun о том, как создавать автономных и разумных агентов, которые действительно понимают окружающий мир. ReAct: Synergizing reasoning and acting in language models (2022): Проект Princeton и Google для проверки и улучшения способностей LLM к рассуждению и планированию. (блог-пост) Generative agents: Interactive simulacra of human behavior (2023): Исследователи Stanford и Google использовали LLM для управления агентами в обстановке, похожей на «The Sims», взаимодействия которых не запрограммированы, а возникают эмерджентно. Reflexion: an autonomous agent with dynamic memory and self-reflection (2023): Работа исследователей Northeastern University и MIT об обучении LLM более надёжно решать задачи, учась на своих ошибках и прошлом опыте. Toolformer: Language models can teach themselves to use tools (2023): Этот проект Meta обучил LLM использовать внешние инструменты (в данном случае API, указывающие на такие вещи, как поисковые системы и калькуляторы), чтобы повышать точность без увеличения размера модели. Auto-GPT: An autonomous GPT-4 experiment: Open source эксперимент по расширению возможностей GPT-4 путём предоставления ему набора инструментов (доступ в интернет, файловое хранилище и т. д.) и выбора того, какие из них использовать для решения конкретной задачи. BabyAGI: Этот Python-скрипт использует GPT-4 и векторные базы данных (для хранения контекста), чтобы планировать и выполнять серию задач, решающих более широкую цель.

Другие модальности данных

Генерация кода

Evaluating large language models trained on code (2021): Это научная статья OpenAI о Codex — модели генерации кода, лежащей в основе продукта GitHub Copilot. (блог-пост) Competition-level code generation with AlphaCode (2021): Это исследование DeepMind демонстрирует модель, способную писать код лучше, чем программисты-люди. (блог-пост) CodeGen: An open large language model for code with multi-turn program synthesis (2022): CodeGen создан исследовательским подразделением ИИ в Salesforce и в настоящее время лежит в основе продукта Replit Ghostwriter для генерации кода. (блог-пост)

Генерация видео

Make-A-Video: Text-to-video generation without text-video data (2022): Модель от Meta, которая создаёт короткие видео по текстовым промптам, а также добавляет движение к статичным фото или создаёт вариации существующих видео. (блог-пост) Imagen Video: High definition video generation with diffusion models (2022): Ровно то, что следует из названия: версия основанной на изображениях модели Google Imagen, оптимизированная для создания коротких видео по текстовым промптам. (сайт)

Биология человека и медицинские данные

Strategies for pre-training graph neural networks (2020): Эта публикация заложила основу эффективных методов предобучения, полезных для применения в разработке лекарств — например, для предсказания свойств молекул и функций белков. (блог-пост) Improved protein structure prediction using potentials from deep learning (2020): Ориентированная на белки трансформерная модель DeepMind, AlphaFold, сделала возможным предсказание структуры белка по его последовательности — настоящий прорыв, уже имеющий далеко идущие последствия для понимания биологических процессов и разработки новых методов лечения болезней. (блог-пост) (объяснение) Large language models encode clinical knowledge (2022): Med-PaLM — это LLM, способная правильно отвечать на вопросы в стиле экзамена на медицинскую лицензию США (US Medical License Exam). С тех пор команда опубликовала результаты Med-PaLM2, который достиг результата на уровне «экспертов», сдающих тест. Другие команды проводили похожие эксперименты с ChatGPT и GPT-4. (видео)

Генерация аудио

Jukebox: A generative model for music (2020): Попытка OpenAI войти в генерацию музыки с помощью трансформеров — способна создавать музыку, вокал и тексты при минимальном обучении. (блог-пост) AudioLM: a language modeling approach to audio generation (2022): AudioLM — проект Google для генерации разных типов аудио, включая речь и инструментал. (блог-пост) MusicLM: Generating nusic from text (2023): Текущий уровень передовых технологий в генерации музыки на основе ИИ, демонстрирующий более высокое качество и связность, чем предыдущие попытки. (блог-пост)

Многомерная генерация изображений

NeRF: Representing scenes as neural radiance fields for view synthesis (2020): Исследование команды под руководством UC-Berkeley о «синтезе новых ракурсов сложных сцен» с использованием 5D-координат. (сайт) DreamFusion: Text-to-3D using 2D diffusion (2022): Работа исследователей Google и UC-Berkeley, развивающая NeRF для генерации 3D-изображений из 2D-входов. (сайт)

Особая благодарность Jack Soslow, Jay Rughani, Marco Mascorro, Martin Casado, Rajko Radovanovic и Vijay Pande за их вклад в этот материал, а также всей команде a16z за неизменно содержательное обсуждение последних событий в ИИ. И спасибо Sonal Chokshi и crypto-команде за создание длинной серии canon’ов в фирме.

Derrick Harris

— редактор в a16z, управляет рабочим процессом по контенту в командах Infra и American Dynamism.

Matt Bornstein

— генеральный партнёр в Andreessen Horowitz, специализируется на ИИ и системах данных.

Guido Appenzeller

— инвестор в Andreessen Horowitz, где занимается ИИ, инфраструктурой, open source технологиями и чипами (silicon).

новое Is Software Losing Its Head?

Call the Plumber; We’ve Got a Leaky Abstraction

Workday’s Last Workday?

Asserting American Leadership in Open Source AI

Why We Need Continual Learning

Хотите больше про инфраструктуру?

Аналитика и новости о новейших трендах, меняющих ИИ и инфраструктуру.

Мнения, выраженные в «постах» (включая подкасты, видео и социальные сети), принадлежат отдельным сотрудникам a16z, чьи слова приводятся, и не являются мнениями a16z Capital Management, L.L.C. («a16z») или её соответствующих аффилированных лиц. a16z Capital Management — инвестиционный консультант, зарегистрированный в Комиссии по ценным бумагам и биржам (SEC). Регистрация в качестве инвестиционного консультанта не подразумевает наличия какого-либо особого мастерства или подготовки. Посты не адресованы каким-либо инвесторам или потенциальным инвесторам, не являются предложением о продаже — или приглашением сделать предложение о покупке — каких-либо ценных бумаг и не могут использоваться или приниматься во внимание при оценке достоинств какой-либо инвестиции.

Содержимое, представленное здесь, — а также доступное на любых связанных платформах распространения и любых публичных онлайн-аккаунтах, платформах и сайтах a16z в социальных сетях (совместно — «каналы распространения контента»), — не следует истолковывать или каким-либо образом полагаться на него как на инвестиционные, юридические, налоговые или иные консультации. Вам следует консультироваться с собственными советниками по юридическим, деловым, налоговым и иным связанным вопросам, касающимся любой инвестиции. Любые прогнозы, оценки, предсказания, целевые показатели, перспективы и/или мнения, выраженные в этих материалах, могут изменяться без уведомления и могут отличаться от мнений, выраженных другими, или противоречить им. Любые графики, приведённые здесь или в каналах распространения контента a16z, носят исключительно информационный характер, и на них не следует полагаться при принятии каких-либо инвестиционных решений. Определённая информация, содержащаяся здесь, была получена из сторонних источников, в том числе от портфельных компаний фондов под управлением a16z. Хотя она взята из источников, считающихся надёжными, a16z не проверяла такую информацию независимо и не делает заявлений о её сохраняющейся точности или пригодности для конкретной ситуации. Кроме того, посты могут содержать рекламу третьих сторон; a16z не проверяла такую рекламу и не поддерживает какой-либо рекламный контент, в ней содержащийся. Всё содержимое актуально только на указанную дату.

Ни при каких обстоятельствах любые посты или иную информацию, предоставленную на этом веб-сайте — или в связанных каналах распространения контента, — не следует истолковывать как предложение, приглашающее к покупке или продаже какой-либо ценной бумаги или доли в каком-либо объединённом инвестиционном инструменте, спонсируемом, обсуждаемом или упоминаемом сотрудниками a16z. Также это не следует истолковывать как предложение предоставить услуги инвестиционного консультирования; предложение инвестировать в объединённый инвестиционный инструмент под управлением a16z будет сделано отдельно и только посредством конфиденциальных документов предложения конкретных объединённых инвестиционных инструментов — которые следует прочитать целиком, и только тем, кто, среди прочих требований, отвечает определённым квалификациям согласно федеральному законодательству о ценных бумагах. Такие инвесторы, определяемые как аккредитованные инвесторы и квалифицированные покупатели, обычно считаются способными оценивать достоинства и риски предполагаемых инвестиций и финансовых вопросов.

Не может быть никаких гарантий того, что инвестиционные цели a16z будут достигнуты или что инвестиционные стратегии окажутся успешными. Любая инвестиция в инструмент под управлением a16z сопряжена с высокой степенью риска, включая риск потери всей вложенной суммы. Любые упомянутые, указанные или описанные инвестиции или портфельные компании не являются репрезентативными для всех инвестиций в инструментах под управлением a16z, и не может быть никакой гарантии того, что инвестиции будут прибыльными или что другие инвестиции, сделанные в будущем, будут иметь схожие характеристики или результаты. Список инвестиций, сделанных фондами под управлением a16z, доступен здесь: https://a16z.com/investments/. Прошлые результаты инвестиций a16z, объединённых инвестиционных инструментов или инвестиционных стратегий не обязательно указывают на будущие результаты. Из этого списка исключены инвестиции (и определённые публично торгуемые криптовалюты/цифровые активы), для которых эмитент не предоставил a16z разрешения на публичное раскрытие. Что касается своих инвестиций в любой криптовалютный или токен-проект, a16z действует в собственных финансовых интересах, не обязательно в интересах других держателей токенов. a16z не играет особой роли ни в одном из этих проектов и не имеет власти над их управлением. a16z не обязуется продолжать участвовать в этих проектах иначе, чем в качестве инвестора и держателя токенов, и другим держателям токенов не следует ожидать, что она будет это делать, или полагаться на её какое-либо особое участие.

В отношении фондов под управлением a16z, зарегистрированных в Японии, a16z предоставит любому представителю японской общественности копию таких документов, которые требуется делать общедоступными в соответствии со статьёй 63 Закона Японии о финансовых инструментах и биржах. Пожалуйста, обращайтесь по адресу compliance@a16z.com для запроса таких документов.

Прочие условия использования сайта смотрите здесь. Дополнительная важная информация об a16z, включая нашу брошюру Form ADV Part 2A, доступна на сайте SEC: http://www.adviserinfo.sec.gov.